L’IA, outil d’aide à la vente des complémentaires santé chez La Mutuelle Générale

Sur le marché très concurrentiel de l’assurance santé, La Mutuelle Générale mise sur l’IA pour permettre à ses commerciaux de faire la différence et de valoriser son offre. La jungle des tarifs et des garanties de la concurrence est passée au crible par l’IA face aux prospects. Dès sa première version, l’outil Garant’IA s’est avéré pertinent.

Depuis 2016, les entreprises ont l’obligation de proposer une complémentaire santé à leurs salariés, et avec le développement des banques assureurs, la compétition s’est nettement durcie sur ce marché.

L’IA est un précieux allié pour déchiffrer la concurrence

Les commerciaux chargés de commercialiser ces complémentaires santé doivent faire la différence auprès des DRH. Or, l’intelligence artificielle s’avère un précieux allié pour déchiffrer les tableaux de garantie santé des concurrents. « Une entreprise démarchée par un commercial est déjà assurée.  Le commercial doit être différenciant et l’avantage compétitif n’est pas uniquement dans le prix, mais aussi sur les garanties offertes » résume Magalie Didier, responsable des Produits Data & IA au service de l’efficacité opérationnelle & de la performance commerciale de la Mutuelle Générale.

On s’est déjà tous penchés sur un tableau de garantie santé, et le moins qu’on puisse dire est qu’il faut être un expert pour savoir quelle part d’une prestation ou d’un examen sera réellement remboursée par la mutuelle en fonction de sa nature. « Le tableau de garantie santé indique à l’assuré à quelle hauteur il va être remboursé en fonction de ses soins. Or, ce document contient de nombreux termes techniques tels que 200% BR, 100% BR+ TM, 1,5% PMSS, etc. » illustre-t-elle.  

Si les commerciaux de La Mutuelle Générale sont des experts, il est cependant impossible de répondre à un DRH en temps réel sur l’ensemble de la couverture offerte. « Lorsque nos commerciaux sont en rendez-vous de prospection avec une RH qui est déjà couverte par une assurance santé, lorsque la question des garanties est abordée, la DRH remet son tableau de garantie au commercial et lui demande de faire une proposition afin de ne pas perdre en remboursement » explique Magalie Didier.

Le template Excel remplacé par une IA

Jusqu’à maintenant, les commerciaux de La Mutuelle Générale disposent d’un modèle (template) Excel où ils doivent saisir les garanties offertes par l’assurance déjà souscrite par son prospect. Ce tableau permet de comparer les garanties offertes à celle du référentiel interne de la mutuelle. « Cela demande environ une demi-heure de travail, ce qui ne permet pas de fluidifier l’échange commercial. C’est là qu’intervient Garant-IA, notre outil d’analyse automatique des tableaux de garanties. L’outil permet de décrypter ces tableaux et les comparer avec nos propres tableaux » poursuit-elle.

Pour concevoir cet outil, une équipe projet réunissant des profils techniques, des Data Scientists, des Data Engineers et des UX designers a été formée par des référents métiers pendant 3 jours sur le parcours de prospection. La phase d’idéation qui a suivi a été menée selon la méthode Design Sprint. « L’objectif du sprint était de recueillir et de bien comprendre les besoins des commerciaux, identifier les points de douleur dans le parcours de prospection pour concevoir rapidement un prototype réaliste et testable par une communauté de commerciaux » décrit-elle.

Cette méthode de travail s’est révélée payante. « Cela nous a permis d’avoir un regard neuf, puis d’itérer et de prendre en considération les retours exprimés par les commerciaux. » De cette phase, l’équipe est sortie avec la conviction qu’il fallait développer une solution pour les commerciaux et pour les prospects. Les commerciaux avaient besoin d’une solution de comparaison automatique des conditions afin de pouvoir fluidifier le premier échange avec le DRH. Pour les prospects, ceux-ci avaient besoin d’une solution qui leur facilite la compréhension des garanties.

Outre une interface ultrasimple pour aider le commercial face à son prospect, des modules de simulation ont été créés avec le calcul, pour une prestation, de la part remboursée par la Sécurité Sociale et celle qui le sera par la complémentaire santé et le reste à charge. « De telles fonctionnalités permettent de renforcer l’engagement du client dans le processus » estime Magalie Didier.

Des modèles de NLP spécialisés pour lire les garanties

Techniquement, le prototype de Garant’IA met en œuvre plusieurs modules de reconnaissance du langage NLP (Natural Language Processing). En effet, les tableaux de garantie santé ont la particularité de regrouper les garanties en 6 grandes catégories : soins de ville, hospitalisation, dentaire, optique, aides auditives, prévention. Ce découpage a permis de faciliter la répartition du travail entre les Data Scientists, car un modèle différent a été développé pour chaque catégorie.

En entrée, le tableau de garantie est injecté au format pdf ou image. Il est traité par la reconnaissance optique de caractères OCR Textract d’Amazon. Les catégories de soins sont séparées et re-contextualisées, sachant qu’il n’y a pas de tableau de garantie standard et que chaque assureur a son propre format.

Une combinaison de modèles NLP (Natural Language Processing) vient ensuite identifier les lignes de garanties pour chacune des catégories. A la sortir de cette deuxième étape, l’extraction des valeurs et les montants de garantie sont converties, puis les règles métiers appliquées pour identifier les niveaux de remboursement de La Mutuelle Générale correspondants.

Des ajustements ont été nécessaires

« Les performances de la première version ont été jugées convaincantes. Certaines ont été bonnes dès le début, d’autres ont demandé des ajustements. Pour les soins courants, le taux de reconnaissance était de 85% ; pour l’hospitalisation de 75% ; pour le dentaire de 68%, mais de seulement 45% pour l’optique » détaille la responsable.

Parmi les challenges qui ont dû être relevés par l’équipe projet, il y a celui de l’acquisition des données d’entraînement. Chaque commercial avait des tableaux de garantie stockés en local et un processus a été mis en place pour récupérer ces fichiers et disposer de suffisamment de données pour lancer l’apprentissage des modèles. De même, des traitements d’image additionnels ont dû être mis en place avant l’OCRisation pour améliorer le taux de reconnaissance des caractères.

Des commerciaux impliqués dans l’entraînement des modèles

« Un autre grand chantier auquel nous avons fait face a été celui de la labellisation. Nous avons fait appel au métier afin de guider l’IA dans toutes les étapes. » Confier cette tâche au métier a aussi permis de les impliquer dans le projet et véritablement les rendre acteurs de la création de la solution pour que celle-ci soit ensuite utilisée au quotidien.

Dans ce but, une WebApp a été mise en place afin de donner un accès à Garant’IA aux ambassadeurs métiers. « Cela nous a permis de recueillir de nouvelles données et augmenter ainsi nos données d’apprentissage, et les commerciaux corrigent et valident les informations délivrées par l’IA. Ces corrections sont remontées auprès des Data Scientists qui peuvent ainsi ajuster les modèles. Grâce à cette boucle de retour, nous sommes dans une approche d’amélioration en continue.»

En passant d’une analyse manuelle de 30 minutes à un résultat instantané, le gain de temps estimé est de 2 500 heures par an sur l’ensemble du réseau commercial. Le temps gagné doit permettre aux commerciaux d’accroître le nombre de rencontres avec les prospects. La mutuelle générale en attend 10% d’affaires supplémentaires, soit une augmentation de 1,2 million d’euros de la production commerciale. L’outilGarant’IA a été primé lors des derniers Argus d’Or de l’Assurance.